Sua próxima squad não será 100% humana — e tudo bem. Mas quem responde quando o agente erra?

Foi com essa provocação que Tassiana Rugoni abriu sua oficina no AI Festival 2026, em São Paulo. E para provar o ponto, trouxe à tela frases históricas que envelheceram muito mal: executivos dizendo que o automóvel era passageiro, gravadoras recusando bandas com guitarra, e Steve Ballmer garantindo que o iPhone jamais conquistaria mercado relevante.

A plateia riu. Mas o recado era sério.

Quem é Tassiana Rugoni

Tassiana Rugoni é Arquiteta de Soluções Educacionais na Alun Business, onde faz curadoria estratégica de programas corporativos em IA, Dados e Tecnologia. Foi Head de Data & Analytics na triggo.ai, liderando CoEs de Analytics, LangChain, LangGraph, RAG e soluções cognitivas com LLMs. Coordena MBAs na FIAP — entre eles Arquitetura de Soluções, Gestão de TI, Agentes de IA e IA Generativa — e acumula mais de 20 anos estruturando iniciativas de Data & Analytics nos contextos corporativo e acadêmico. Já atuou como professora corporativa em organizações como Banco Votorantim, PwC, Itaú, Cielo, Bradesco Seguros e Banco do Nordeste. É autora de diversos livros sobre Data & Analytics, incluindo títulos sobre Arquitetura de Data Lake, Streaming de Dados, Machine Learning e Data Modeling.

Em resumo: quando Tassiana fala sobre como organizar times que misturam humanos e agentes de IA, ela fala com a bagagem de quem já viu (e desenhou) essa transição de perto.

O elefante branco da sala

A oficina, intitulada "Sua próxima squad não será 100% humana: desenhando times híbridos com orquestração de agentes e gestão humana", começou pelo incômodo que pouca gente verbaliza: a IA generativa virou o elefante branco da sala corporativa.

A promessa original era clara — a IA nos tiraria do operacional para que pudéssemos ser mais criativos. Só que existe um problema: ela é generativa. Ela também cria. Designers, escritores, dubladores, desenvolvedores — nenhuma dessas profissões consegue mais ignorar que a IA já opera no mesmo território que antes era exclusivamente humano.

E aí surge a pergunta que ninguém quer fazer em voz alta: se a IA faz o operacional E o criativo, o que sobra para o humano?

A resposta de Tassiana é direta: julgamento, contexto, relação e decisão com ambiguidade. O ROI real da inteligência artificial não está em reduzir headcount. Está em libertar as pessoas para o que só pessoas fazem.

Nós somos feitos de condicionamentos

Antes de mergulhar na arquitetura técnica, Tassiana deu um passo atrás — para a psicologia. Ela lembrou que somos moldados por camadas de condicionamento: educação familiar, educação formal, contexto social, leis, propaganda, religião, arte. Tudo isso forma como pensamos e reagimos.

O problema, segundo ela, não são os condicionamentos em si — é quando eles se transformam em crenças limitantes. A ideia de que "agentes de IA não podem ocupar cargo na minha equipe" é, para Tassiana, uma dessas crenças. Compreensível, humana, mas limitante.

Squads híbridas: agentes no mesmo patamar de pessoas?

A oficina entrou no território que realmente incomoda: colocar agentes de IA no organograma da squad. E Tassiana não fugiu da polêmica.

Ela contou que um de seus clientes proibiu que os agentes recebessem "nome de cargo" — porque o cargo é ocupado por uma pessoa, e as pessoas na empresa poderiam se sentir desconfortáveis com a equivalência.

Ela mesma viveu esse dilema. Criou um avatar de professora com IA para dar aula — e o avatar começou a dar aula no lugar dela. A reação instintiva? "Será que ela vai me substituir?"

A pergunta é legítima. Mas a resposta, no framework que Tassiana apresentou, não é "sim" ou "não" — é sobre reposicionar. Os humanos continuam sendo peças fundamentais. Mas precisam ocupar posições diferentes no tabuleiro.

E aí vem a pergunta prática que toda empresa vai enfrentar: como precificar um time que não é mais 100% humano?

SDD: Spec Driven Development — a spec como fonte da verdade

Foi aqui que a oficina ficou técnica — e extremamente prática.

Tassiana apresentou o conceito de SDD (Spec Driven Development), uma abordagem que está ganhando tração no mundo dos agentes de IA. A ideia central: antes de qualquer agente escrever uma linha de código ou gerar uma análise, existe uma especificação — uma spec — que funciona como a "fonte da verdade" de tudo que vai acontecer.

Para entender por que isso importa, Tassiana mostrou uma evolução em três estágios:

O primeiro é o prompt livre — linguagem natural, sem estrutura, sem contexto. Algo como "me faz um relatório de vendas". O resultado? Imprevisível, sem contexto de negócio, sem controle.

O segundo é a engenharia de prompt — instruções mais refinadas, estruturadas, com persona e formato definidos. A qualidade melhora, mas ainda depende de quem escreve o prompt. É frágil e não tem governança.

O terceiro — e é onde Tassiana defende que as empresas precisam chegar — é o SDD. A spec é o artefato principal. Ela contém cinco elementos: Goal (objetivo do negócio claro e mensurável), Scope (limite de atuação — o que está dentro e o que está fora), Constraints (restrições explícitas que o agente deve respeitar), Validation (critérios de sucesso) e Guardrails (limites de segurança).

A vantagem? A spec conecta o agente ao negócio, estabelece guardrails reais e dá controle total ao humano. Quando nós especificamos, nós é que estamos no controle.

E tem um detalhe crucial: usar formato Markdown (.md) nas specs facilita que a LLM "enxergue" o texto com mais clareza. Spec sempre vem antes do código. E quem faz a spec é sempre um humano. Nunca a máquina.

A orquestração na prática: n8n, 3 agentes e um humano no loop

Tassiana não ficou só na teoria. Ela mostrou ao vivo o fluxo completo rodando no n8n, uma plataforma de automação, com um pipeline que vai da spec até o relatório aprovado por um analista humano.

O fluxo funciona assim: tudo começa com um formulário onde se insere a spec e o arquivo de dados. Os dados passam por um pré-processamento de schema. Então entram três agentes em sequência — o Data Analyst (que lê a spec e analisa os dados, usando GPT-4o-mini), o Critic (que questiona os resultados) e o Report Writer (que escreve o relatório final). Depois disso, o relatório vai para aprovação humana — o analista aprova ou rejeita a entrega. Só após a aprovação o resultado é enviado por e-mail via Gmail.

Quatro princípios guiaram o design dessa squad:

Objetivo — o analista define a spec, o agente executa o que foi pedido. Revisão — o erro do agente não aparece como erro óbvio; aparece como resposta confiante. Por isso o Critic existe. Aprovação — nenhuma entrega sai sem olho humano, especialmente quando afeta decisão. Ajuste — o agente não aprende sozinho com o negócio; alguém precisa fechar esse loop.

A frase que ficou na tela resume tudo: "Quando o agente erra, quem responde é o analista que assinou o processo."

Quanto custa operar essa squad?

E aqui veio o dado que faz qualquer CFO prestar atenção.

Tassiana mostrou uma calculadora de custos baseada em execuções reais — com custo medido em R$ 0,0102 por análise completa com 3 agentes.

No cenário conservador, considerando 15 execuções por dia, taxa de rejeição de 30%, 22 dias úteis por mês, R$ 200 de infraestrutura e R$ 80 de manutenção, o custo total mensal ficou em R$ 285. Isso inclui API (R$ 3 para 231 execuções aprovadas), custo das rejeições (R$ 1 para 99 execuções rejeitadas), infraestrutura e manutenção.

No cenário otimista — com mais manutenção (R$ 640/mês) e infraestrutura similar — o total mensal subiu para R$ 845, com custo diário de R$ 38,39 e anual de R$ 10.135.

Os números, claro, variam conforme ferramenta, modelo de LLM e volume de execuções. Mas a ordem de grandeza é o que importa: estamos falando de uma squad operacional por menos de R$ 1.000/mês. E esse é o tipo de conta que muda a conversa sobre viabilidade de IA nas empresas.

O debate que não pode esperar: responsabilização

Tassiana encerrou com o tema que, na visão dela, é o mais urgente e o menos discutido: responsabilização. Os agentes vão começar a fazer coisas por nós — tomar decisões financeiras, recomprar medicamentos, negociar preços. A oficina trouxe exemplos do conceito de "Banking of Things": o carro que paga o pedágio e o combustível sozinho (decisão financeira automática, sem humano no loop), a casa que reabastece suprimentos (um agente que compra, negocia preço e processa pagamento), e o dispositivo médico que recompra medicamentos (onde o contexto é saúde e o custo de um erro é altíssimo).

A pergunta que ficou para a plateia — e que deveria ficar para todo líder lendo este artigo — é dupla: em quais decisões aceitamos tirar o humano do loop completamente? E em quais o custo disso é inaceitável?

O ponto-chave

A oficina de Tassiana Rugoni no AI Festival não foi sobre substituir pessoas por máquinas. Foi sobre redesenhar como times funcionam quando parte do time não é humana — e fazer isso com método, governança e responsabilidade.

Se sua empresa ainda está debatendo se vai usar agentes de IA, a mensagem é clara: essa conversa já passou. A pergunta agora é como — e, principalmente, quem responde quando algo dá errado.

Cobertura da oficina "Sua próxima squad não será 100% humana: desenhando times híbridos com orquestração de agentes e gestão humana", facilitada por Tassiana Rugoni (Alun Business / FIAP), no AI Festival 2026 — 13 e 14 de maio, Pro Magno, São Paulo.